車輛動態目標檢測

黃志成 胡永贊

（南京信息工程大學，江蘇 南京210044）

1 概述

隨著我國經濟的不斷發展以及科學技術的進步，對于交通網絡的監控日益完善，交通視頻設備在很多的路口完成了部署，為很多技術的研究提供了數據支撐，例如車輛檢測、軌道預測、定位分析等等[1]，通過這些技術可以挖掘出交通網絡中的特征信息，為完善交通以及交通策略的制定提供輔助作用。

車輛檢測的目的是從交通視頻中提取車輛信息[2]，其中亟待解決的問題是交通視頻中的遮擋物，當進行車輛檢測時，遮擋物的存在會對車輛檢測準確率產生較大的影響。傳統ViBe算法在動態目標檢測中容易出現鬼影區域[3]，針對該問題本文提出一種改進的ViBe 算法，通過對背景建模的改進，提高其魯棒性。

2 車輛動態目標檢測研究

針對傳統ViBe 算法在動態目標檢測中容易出現鬼影區域，本文通過對背景模型的改進來解決該問題，具體流程如下圖1所示。首先對基于傳統ViBe 算法的背景模型進行改進；然后加入Ostu 算法對圖像進行分割；接著對圖像進行濾波處理，最后進行實驗仿真模擬。

圖1 車輛動態目標檢測流程圖

2.1 基于改進的ViBe 算法的背景模型

首先要對背景模型進行初始化，模型公式為：

其中，Vn是M(x)的鄰域隨機取樣，n 一般取20。

其中，nummin是固定閾值，取為2。

圖2 ViBe 算法前景檢測

當樣本的個數大于閾值時，即像素點是背景點；當樣本的個數小于閾值時，即像素點是前景點。背景模型進行更新的策略是：傳統的ViBe 算法使用的是無記憶采樣模式，特點是具有隨機性。當v(x)被認定為背景點時，即對樣本進行更新，當v(x)被認定為前景點時，模型不變化。當背景樣本更新時，每一個背景點都具有 1/φ 的更新概率，與此同時具有相同概率 1/φ去更新周邊相鄰像素點的樣本值。根據像素值特有的空間傳播性質，若一樣本值M 在特定的T 時刻不被更新的概率為(N-1) / N，則在dt 時間后，保留原樣本值的概率為：

傳統ViBe 算法在創建背景模型時會出現鬼影區域[4]。然而當前景檢測時，由于外部環境在不停得變化，若采用固定閾值來判別目標，會降低車輛檢測的準確率。因此需要對算法進行改進：采用選取前20 幀中的奇數幀進行與、或運算方式建立背景模型。

樣本集為：

對兩幀像素相差較大的圖像進行與運算：

通過上述操作，獲得背景模型。

2.2 圖像分割

本文前景檢測本文對傳統固定閾值區分背景區域和前景區域的方法進行改進，采用Otsu 算法計算類間最大方差來獲取最佳分割閾值[5]。分割閾值 T = k ,0 ＜ k ＜ L -1。

Otsu 算法原理如下：

接著遍歷所有灰度級的分割閾值T，得到1 個最大方差Topt，即最優閾值。在這個過程中，閾值選取尤為重要，而Otsu 對光照、噪聲及目標大小非常敏感，由于外界環境經常發生改變，而此時閾值并不合適當前的環境，從而會導致目標圖像錯誤得檢測為背景圖像。因此本文采用Otsu 進行二次判別，用來降低Otsu 的誤檢率。首先，計算ViBe 被判定為前景的置信度；同時計算Otsu 的前景置信度；最后，比較Otsu 算法和ViBe 算法的前景置信度。

2.3 圖像濾波

首先假設原始圖像為A，濾波后的圖像為B，約束條件是圖像像素強度和圖像梯度函數。

上式中，β 和 χ 是用來調節u 和h 與B 和 ?B的相似度的參數。

對于上式的求解，應用l1正則優化問題來解決，固定B 和u，則原目標函數可簡化為關于h 的最小化問題，

也就是，

同理可解決關于u 的最小化問題。將u 和h 帶入式（11），求解濾波模型的最終解析解B，來獲得濾波后的圖像。

3 實驗結果

為了表征算法的性能特征，利用召回率Re、精確度Pre、綜合評價指標, FM 作為算法的評價指標。其中，FM 是衡量算法性能的整體性指標；Re 是衡量檢測前景像素點覆蓋有效點的標準；Pre 表示前景像素分割的精準度。

其中，TP 表示將正類預測為正類，TN 將負類預測為負類數，FP 將負類預測為正類數誤報，FN 將正類預測為負類數，也就是漏報，P=TP+FN，R=FP+TN。表1 是算法的性能指標對比。

表1 算法性能指標

由表1 可得，改進算法在主要3 個指標Pre、FM、Re 上都有較好的表現；傳統算法在車輛動態目標檢測時較差；與之相比，改進算法可得到更優的數據指標，可以有效解決鬼影區域。

4 結論

針對傳統ViBe 算法在動態目標檢測中容易出現鬼影區域，本文提出一種改進的ViBe 算法，在進行與、或運算以獲得背景模型時，以多幀圖像代替原有的單幀圖像；緊接著加入Otsu 算法，分別計算兩者的前景置信度，雙重判定并計算出圖像最佳分割閾值。然后對圖像進行分割處理，再進行濾波處理，最后對提出的算法進行仿真模擬，結果表明改進的算法在Re、Pre、FM這三個重要指標中都有更加優異的表現。

隨著人工智能的不斷發展，充分利用機器學習以及深度學習的方法進行車輛動態目標的檢測也越來越廣泛，并且準確率以及魯棒性更高，因此下一步的研究會集中在利用機器學習以及深度學習算法進行動態目標的檢測。